Gérer l’erreur : une préoccupation au cœur de la démarche scientifique !

1) Le design expérimental-on veut pouvoir conclure sur un effet (que ce soit positif ou négatif): taille des échantillons-on veut pouvoir conclure sur les effets testés, pas sur autre chose: importance du design expérimental pour éliminer de possibles artefacts (design expérimental, caractérisation initiale...)et être sûr que les conclusions sont bien liées à l’effet du traitement mis en place.Exemple du SOERE pour le plan, mais aussi des limites: enceintes GES(2 parcelles et répétitions à l’intérieur car impossible de distribuer sur les blocs), fosses...Quand on ne peut pas avoir le dispositif le plus adapté,on peut: i) s’assurer de l’homogénéité au départ; ii) utiliser des outils de modélisation pour vérifier qu’on comprend quantitativement les différences...Des compromis sont parfois nécessaires: temporel ou spatial pour le N2O?

2) La qualité de la mesure elle-même -test des appareils de mesure: exemple dérive pour analyseur-étalonnage: TDR, analyseur N2O-confrontation à d’autres méthodes (CO2tours à flux et chambres par exemple)-pour les analyses: utilisation de références, de blancs, de mouchards...

3) Réaliser les mesures, gérer la qualité -biais opérateurs différents-protocoles, trames de saisie (contraindre les données), limiter les saisies-préparation des échantillons: étiquetage, pollutions...-système de gestion des données: tests cohérence, visualisation, validation en conservant données brutes(traçabilité)...

4) Analyser les données -données à utiliser (valeurs aberrantes? regrouper au pas certaines répétitions?)-choisir les représentations graphiques, les tests statistiques-2 chercheurs avec les mêmes données n’aboutiront pas forcément aux mêmes conclusions, parfois même peuvent être contradictoires (ne devrait pas arriver)...-et si les données sont issues de modèles? ex des ensembles de modèles (prévisions climatiques, généralisation à d’autres domaines)Quelques exemples connus type paradoxe de Simpson; voir aussi outils

5) Valorisation-dans un article, le lecteur doit pouvoir se faire sa propre opinion: bonne description de la méthodologie, plutôt donner les moyennes, écarts types, effectifs, que des résultats de tests (significatif ou pas...), le mieux est encore de mettre les données à disposition: le lecteur peut ré-analyser lui-même des résultats, possible de conduire des méta-analyses-attention à la généralisation des résultats conduits dans un contexte donné: ex du stockage de carbonequi peut dépendre du contexte climatique-la valorisation peut aussi être à travers la contribution des connaissances au développement d’un modèle (par exemple pour simuler le fonctionnement d’un agrosystème, aider l’agriculteur dans ses décisions). Pose beaucoup de questions: confiance et validité? portée et généricité? quel usage? -l’attention trop forte apportée à la quantification de la production (nombre d’articles, publication dans revues prestigieuses...) est assez contradictoire avec l’idée d’avoir des résultats solides, de généraliser prudemment...Un peu perceptible côté société aussi: forte attente de résultats tranchés, noir ou blanc, bon ou mauvais, peu compatible avec la nécessité de nuancer les conclusions dans une large majorité de cas!Et le parti pris existe aussi chez les scientifiques («scientifique militant») par exemple pour chercher à mettre en avant les bonnes propriétés de tel type d’agriculture (agriculture de conservation et stockage de carbonepar ex), pour les résultats positifs plus que négatifs...

---

Tout public et scolaires
Le 9 octobre de 9h à 17h
INRA, 2 chaussée Brunehaut, 80200 Estrées-Mons